Corso di laurea

Economia E Business Analytics

Università degli Studi Gabriele D'Annunzio · 40 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Approfondimento Di Big Data Per L'Intelligenza Artificiale 1° anno · 2° semestre · 3 CFU · INFO-01/A · 0 file

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento: Conoscenza e capacità di comprensione Il corso intende fornire le conoscenze metodologiche e applicative avanzate relative ai…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire le conoscenze metodologiche e applicative avanzate relative ai principali strumenti e metodi per la raccolta, la gestione e l’analisi di insiemi di dati potenzialmente grandi con applicazioni in intelligenza artificiale.

Capacità di applicare conoscenza e comprensione

Al termine del corso, lo studente sarà in grado di utilizzare efficacemente metodi e strumenti avanzati per la raccolta, la gestione e l’analisi di insiemi di dati di grandi dimensioni per applicazioni in intelligenza artificiale.

Programma

Sviluppo di un progetto o approfondimento di un argomento avanzato relativo ai big data con applicazioni in intelligenza artificiale.

Lo studente deve possedere le conoscenze di base relative ai big data ed all’intelligenza artificiale. È consigliata la conoscenza di un linguaggio di programmazione.

Sviluppo di progetto o approfondimento da svolgere individualmente o in piccoli gruppi.

Modalità d'esame

Conoscenza e capacità di comprensione


La verifica dei risultati di apprendimento sarà effettuata tramite la discussione del progetto o approfondimento. L’elaborato dovrà essere inviato al docente almeno due settimane prima della data dell’esame.

La valutazione finale è espressa in trentesimi.




Capacità di applicare conoscenza e comprensione


Durante lo sviluppo del progetto (o approfondimento) e la discussione dello stesso si verifica la capacità degli studenti di applicare le conoscenze delle tecniche e degli strumenti di Big Data per l’uso in intelligenza artificiale.



Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci Email: [email protected]

Testi di riferimento

Materiale bibiliografico fornito dal docente

Codice insegnamento 29457_849MR-2525_242026_500423

Approfondimento Di Big Data Per L'Intelligenza Artificiale 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento: Conoscenza e capacità di comprensione Il corso intende fornire le conoscenze metodologiche e applicative avanzate relative ai…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire le conoscenze metodologiche e applicative avanzate relative ai principali strumenti e metodi per la raccolta, la gestione e l’analisi di insiemi di dati potenzialmente grandi con applicazioni in intelligenza artificiale.

Capacità di applicare conoscenza e comprensione

Al termine del corso, lo studente sarà in grado di utilizzare efficacemente metodi e strumenti avanzati per la raccolta, la gestione e l’analisi di insiemi di dati di grandi dimensioni per applicazioni in intelligenza artificiale.

Programma

Sviluppo di un progetto o approfondimento di un argomento avanzato relativo ai big data con applicazioni in intelligenza artificiale.

Lo studente deve possedere le conoscenze di base relative ai big data ed all’intelligenza artificiale. È consigliata la conoscenza di un linguaggio di programmazione.

Sviluppo di progetto o approfondimento da svolgere individualmente o in piccoli gruppi.

Modalità d'esame

Conoscenza e capacità di comprensione


La verifica dei risultati di apprendimento sarà effettuata tramite la discussione del progetto o approfondimento. L’elaborato dovrà essere inviato al docente almeno due settimane prima della data dell’esame.

La valutazione finale è espressa in trentesimi.




Capacità di applicare conoscenza e comprensione


Durante lo sviluppo del progetto (o approfondimento) e la discussione dello stesso si verifica la capacità degli studenti di applicare le conoscenze delle tecniche e degli strumenti di Big Data per l’uso in intelligenza artificiale.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci Email: [email protected]

Testi di riferimento

Materiale bibiliografico fornito dal docente

Codice insegnamento 29457_849MR-2525_242028_500425

Approfondimento Di Big Data Per L'Intelligenza Artificiale 1° anno · 2° semestre · 9 CFU · INFO-01/A · 0 file

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento: Conoscenza e capacità di comprensione Il corso intende fornire le conoscenze metodologiche e applicative avanzate relative ai…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire le conoscenze metodologiche e applicative avanzate relative ai principali strumenti e metodi per la raccolta, la gestione e l’analisi di insiemi di dati potenzialmente grandi con applicazioni in intelligenza artificiale.

Capacità di applicare conoscenza e comprensione

Al termine del corso, lo studente sarà in grado di utilizzare efficacemente metodi e strumenti avanzati per la raccolta, la gestione e l’analisi di insiemi di dati di grandi dimensioni per applicazioni in intelligenza artificiale.

Programma

Sviluppo di un progetto o approfondimento di un argomento avanzato relativo ai big data con applicazioni in intelligenza artificiale.

Lo studente deve possedere le conoscenze di base relative ai big data ed all’intelligenza artificiale. È consigliata la conoscenza di un linguaggio di programmazione.

Sviluppo di progetto o approfondimento da svolgere individualmente o in piccoli gruppi.

Modalità d'esame

Conoscenza e capacità di comprensione


La verifica dei risultati di apprendimento sarà effettuata tramite la discussione del progetto o approfondimento. L’elaborato dovrà essere inviato al docente almeno due settimane prima della data dell’esame.

La valutazione finale è espressa in trentesimi.




Capacità di applicare conoscenza e comprensione


Durante lo sviluppo del progetto (o approfondimento) e la discussione dello stesso si verifica la capacità degli studenti di applicare le conoscenze delle tecniche e degli strumenti di Big Data per l’uso in intelligenza artificiale.



Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci [email protected]

Testi di riferimento

Materiale bibiliografico fornito dal docente

Codice insegnamento 29457_849MR-2525_242030_500427

Approfondimento Di Data Science Per L'Economia 1° anno · 2° semestre · 3 CFU · STAT-02/A · 0 file

L'insegnamento di Approfondimenti di Data Science in Economia vuole contribuire al processo formativo dello studente fornendo metodi avanzati per le analisi quantitative che siano utili per le decisioni economiche ed…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento di Approfondimenti di Data Science in Economia vuole contribuire al processo formativo dello studente fornendo metodi avanzati per le analisi quantitative che siano utili per le decisioni economiche ed aziendali.
In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:

Conoscenza e capacità di comprensione
Il corso, attraverso lo sviluppo di un progetto, intende fornire le conoscenze metodologiche e applicative di livello avanzato del data science per dati economici utilizzando il pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione.
Al termine del corso, lo studente, con lo sviluppo di un progetto di ricerca svolto con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali.

Programma

Sviluppo di un progetto di Data Science su argomento assegnato dal docente e in approfodnimento a temi di modelli o metodi affrontati in altri corsi

Lo studente deve possedere le conoscenze base di data science e del software statistico R.

Il metodo didattico consiste nello sviluppo di un progetto di analisi statistica dei dati economici.

Modalità d'esame

Conoscenza e capacità di comprensione
La verifica dei risultati di apprendimento sarà effettuata tramite la discussione del progetto di ricerca svolto con R. Tale elaborato dovrà essere inviato al docente almeno una settimana prima della data dell’esame.
Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi.

Capacità di applicare conoscenza e comprensione.
Durante lo sviluppo del progetto di ricerca si verifica la capacità degli studenti di applicare le conoscenze dei modelli di data science al fine di poter affrontare situazioni di analisi concrete.

Testi di riferimento

James G, Witten D, Hastie T, Tibshirani R (2021). An Introduction to Statistical Learning
with Applications in R. Springer.


Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley
Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Codice insegnamento 29457_849MR-2525_242032_500429

Approfondimento Di Data Science Per L'Economia 1° anno · 2° semestre · 6 CFU · STAT-02/A · 0 file

L'insegnamento di Approfondimenti di Data Science in Economia vuole contribuire al processo formativo dello studente fornendo metodi avanzati per le analisi quantitative che siano utili per le decisioni economiche ed…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento di Approfondimenti di Data Science in Economia vuole contribuire al processo formativo dello studente fornendo metodi avanzati per le analisi quantitative che siano utili per le decisioni economiche ed aziendali.
In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:

Conoscenza e capacità di comprensione
Il corso, attraverso lo sviluppo di un progetto, intende fornire le conoscenze metodologiche e applicative di livello avanzato del data science per dati economici utilizzando il pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione.
Al termine del corso, lo studente, con lo sviluppo di un progetto di ricerca svolto con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali.

Programma

Sviluppo di un progetto di data science o approfondimento di un argomento avanzato di statistica economica

Lo studente deve possedere le conoscenze base di data science e del software statistico R.

Il metodo didattico consiste nello sviluppo di un progetto di analisi statistica dei dati economici.

Modalità d'esame

Conoscenza e capacità di comprensione
La verifica dei risultati di apprendimento sarà effettuata tramite la discussione del progetto di ricerca svolto con R. Tale elaborato dovrà essere inviato al docente almeno una settimana prima della data dell’esame.
Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi.

Capacità di applicare conoscenza e comprensione.
Durante lo sviluppo del progetto di ricerca si verifica la capacità degli studenti di applicare le conoscenze dei modelli di data science al fine di poter affrontare situazioni di analisi concrete.

Testi di riferimento

James G, Witten D, Hastie T, Tibshirani R (2021). An Introduction to Statistical Learning
with Applications in R. Springer.

Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley
Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Codice insegnamento 29457_849MR-2525_242034_500431

Approfondimento Di Data Science Per L'Economia 1° anno · 2° semestre · 9 CFU · STAT-02/A · 0 file

L'insegnamento di Approfondimenti di Data Science in Economia vuole contribuire al processo formativo dello studente fornendo metodi avanzati per le analisi quantitative che siano utili per le decisioni economiche ed…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento di Approfondimenti di Data Science in Economia vuole contribuire al processo formativo dello studente fornendo metodi avanzati per le analisi quantitative che siano utili per le decisioni economiche ed aziendali.
In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:

Conoscenza e capacità di comprensione

Tramite lo sviluppo di un progetto si intende fornire le conoscenze metodologiche e applicative di livello avanzato del data science per dati economici utilizzando il pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione.
Al termine del corso, lo studente, con lo sviluppo di un progetto di ricerca svolto con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali.

Programma

Sviluppo di un progetto di data science o approfondimento di un argomento avanzato di statistica economica.

Lo studente deve possedere le conoscenze base di data science e del software statistico R e R Studio

Il metodo didattico consiste nello sviluppo di un progetto di analisi statistica dei dati economici e/o aziendali (business).

Modalità d'esame

Conoscenza e capacità di comprensione
La verifica dei risultati di apprendimento sarà effettuata tramite la discussione del progetto di ricerca svolto con R. Tale elaborato dovrà essere inviato al docente almeno una settimana prima della data dell’esame.
Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi.

Capacità di applicare conoscenza e comprensione.
Durante lo sviluppo del progetto di ricerca si verifica la capacità degli studenti di applicare le conoscenze dei modelli di data science al fine di poter affrontare situazioni di analisi concrete.

Testi di riferimento

James G, Witten D, Hastie T, Tibshirani R (2021). An Introduction to Statistical Learning
with Applications in R. Springer.
Approfondimenti
Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley
Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Codice insegnamento 29457_849MR-2525_242036_500433

Approfondimento Di Economia Dei Mercati Digitali 1° anno · 2° semestre · 3 CFU · ECON-04/A · 0 file

OBIETTIVI FORMATIVI L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI
L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei mercati dell’economia digitale. In particolare, il corso mira a sviluppare l’attitudine alla ricerca dello studente e la conoscenza delle principali tecniche di ricerca, con riferimento specifico allo studio della concorrenza e della regolamentazione dei mercati digitali

RISULTATI DI APPRENDIMENTO ATTESI
1) Conoscenza e comprensione.
Al termine del corso gli studenti saranno in possesso degli strumenti teorici e conoscitivi per:

  • migliorare le capacità di ricerca
  • comprendere potenzialità e ambiti di applicazione nel campo dell’economia della concorrenza e della regolamentazione dei mercati digitali delle principali tecniche di ricerca economica
  • comprendere, interpretare e sintetizzare (anche in forma scritta) materiale bibliografico sui temi di interesse concordati col docente

    2) Capacità di applicare conoscenza e comprensione.
    Al termine del corso gli studenti saranno in grado di:
  • ricercare, analizzare e selezionare il materiale bibliografico relativo ai temi concordati col docente
  • individuare argomenti di ricerca e sviluppare piani di lavoro
  • di applicare le conoscenze acquisite a contesti e problemi semplificati, suggerire e discutere le implicazioni di differenti strategie di ricerca

    3) Abilità comunicative.
    Al termine del corso gli studenti avranno acquisito le seguenti abilità comunicative:
  • esporre risultati di ricerca, anche attraverso presentazioni a slide
  • discutere criticamente i risultati ottenuti in contesti di gruppo.

Programma

Il corso è finalizzato a supportare gli studenti nell' approfondimento di temi di ricerca attinenti allo studio dell’economia e della regolamentazione dei mercati digitali, e ad indirizzarli nella predisposizione di presentazioni a slide e/o testi scritti di sintesi.

È preferibile aver sostenuto l'esame di Economia dei mercati digitali.

La docente supporta gli studenti nell'apprendimento degli argomenti definiti, tramite il materiale segnalato, attraverso incontri nel corso dei quali fornisce spiegazioni su richiesta, chiarisce i dubbi degli studenti e valuta lo stato di avanzamento dei loro lavori.

Modalità d'esame

La verifica dell’apprendimento prevede una valutazione integrata, articolata in un elaborato scritto e in un colloquio orale. L’elaborato scritto è volto a rilevare la capacità di analisi, sintesi e rielaborazione autonoma dei contenuti, nonché l’utilizzo appropriato del lessico disciplinare. Il colloquio orale, invece, consente di accertare il grado di comprensione, la chiarezza espositiva e la capacità di collegamento e approfondimento critico degli argomenti trattati. La valutazione complessiva è espressa in trentesimi.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il/la docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: prof. Domenico Raucci ([email protected]).

Testi di riferimento

Materiali specifici segnalati dal docente e/o concordati con lo studente e attinenti ai temi di approfondimento individuali.

Codice insegnamento 29457_849MR-2525_45552_487054

Approfondimento Di Economia Dei Mercati Digitali 1° anno · 2° semestre · 6 CFU · ECON-04/A · 0 file

OBIETTIVI FORMATIVI L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI
L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei mercati dell’economia digitale. In particolare, il corso mira a sviluppare l’attitudine alla ricerca dello studente e la conoscenza delle principali tecniche di ricerca, con riferimento specifico allo studio della concorrenza e della regolamentazione dei mercati digitali

RISULTATI DI APPRENDIMENTO ATTESI
1) Conoscenza e comprensione.
Al termine del corso gli studenti saranno in possesso degli strumenti teorici e conoscitivi per:

  • migliorare le capacità di ricerca
  • comprendere potenzialità e ambiti di applicazione nel campo dell’economia della concorrenza e della regolamentazione dei mercati digitali delle principali tecniche di ricerca economica
  • comprendere, interpretare e sintetizzare (anche in forma scritta) materiale bibliografico sui temi di interesse concordati col docente

    2) Capacità di applicare conoscenza e comprensione.
    Al termine del corso gli studenti saranno in grado di:
  • ricercare, analizzare e selezionare il materiale bibliografico relativo ai temi concordati col docente
  • individuare argomenti di ricerca e sviluppare piani di lavoro
  • di applicare le conoscenze acquisite a contesti e problemi semplificati, suggerire e discutere le implicazioni di differenti strategie di ricerca

    3) Abilità comunicative.
    Al termine del corso gli studenti avranno acquisito le seguenti abilità comunicative:
  • esporre risultati di ricerca, anche attraverso presentazioni a slide
  • discutere criticamente i risultati ottenuti in contesti di gruppo.

Programma

Il corso è finalizzato a supportare gli studenti nell' approfondimento di temi di ricerca attinenti allo studio dell’economia e della regolamentazione dei mercati digitali, e ad indirizzarli nella predisposizione di presentazioni a slide e/o testi scritti di sintesi.

È preferibile aver sostenuto l'esame di Economia dei mercati digitali.

La docente supporta gli studenti nell'apprendimento degli argomenti definiti, tramite il materiale segnalato, attraverso incontri nel corso dei quali fornisce spiegazioni su richiesta, chiarisce i dubbi degli studenti e valuta lo stato di avanzamento dei loro lavori.

Modalità d'esame

La verifica dell’apprendimento prevede una valutazione integrata, articolata in un elaborato scritto e in un colloquio orale. L’elaborato scritto è volto a rilevare la capacità di analisi, sintesi e rielaborazione autonoma dei contenuti, nonché l’utilizzo appropriato del lessico disciplinare. Il colloquio orale, invece, consente di accertare il grado di comprensione, la chiarezza espositiva e la capacità di collegamento e approfondimento critico degli argomenti trattati. La valutazione complessiva è espressa in trentesimi.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il/la docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: prof. Domenico Raucci ([email protected]).

Testi di riferimento

Materiali specifici segnalati dal docente e/o concordati con lo studente e attinenti ai temi di approfondimento individuali.

Codice insegnamento 29457_849MR-2525_45550_487061

Approfondimento Di Economia Dei Mercati Digitali 1° anno · 2° semestre · 9 CFU · ECON-04/A · 0 file

OBIETTIVI FORMATIVI L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI
L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei mercati dell’economia digitale. In particolare, il corso mira a sviluppare l’attitudine alla ricerca dello studente e la conoscenza delle principali tecniche di ricerca, con riferimento specifico allo studio della concorrenza e della regolamentazione dei mercati digitali

RISULTATI DI APPRENDIMENTO ATTESI
1) Conoscenza e comprensione.
Al termine del corso gli studenti saranno in possesso degli strumenti teorici e conoscitivi per:

  • migliorare le capacità di ricerca
  • comprendere potenzialità e ambiti di applicazione nel campo dell’economia della concorrenza e della regolamentazione dei mercati digitali delle principali tecniche di ricerca economica
  • comprendere, interpretare e sintetizzare (anche in forma scritta) materiale bibliografico sui temi di interesse concordati col docente

    2) Capacità di applicare conoscenza e comprensione.
    Al termine del corso gli studenti saranno in grado di:
  • ricercare, analizzare e selezionare il materiale bibliografico relativo ai temi concordati col docente
  • individuare argomenti di ricerca e sviluppare piani di lavoro
  • di applicare le conoscenze acquisite a contesti e problemi semplificati, suggerire e discutere le implicazioni di differenti strategie di ricerca

    3) Abilità comunicative.
    Al termine del corso gli studenti avranno acquisito le seguenti abilità comunicative:
  • esporre risultati di ricerca, anche attraverso presentazioni a slide
  • discutere criticamente i risultati ottenuti in contesti di gruppo.

Programma

Il corso è finalizzato a supportare gli studenti nell' approfondimento di temi di ricerca attinenti allo studio dell’economia e della regolamentazione dei mercati digitali, e ad indirizzarli nella predisposizione di presentazioni a slide e/o testi scritti di sintesi.

È preferibile aver sostenuto l'esame di Economia dei Mercati Digitali.

La docente supporta gli studenti nell'apprendimento degli argomenti definiti, tramite il materiale segnalato, attraverso incontri nel corso dei quali fornisce spiegazioni su richiesta, chiarisce i dubbi degli studenti e valuta lo stato di avanzamento dei loro lavori.

Modalità d'esame

La verifica dell’apprendimento prevede una valutazione integrata, articolata in un elaborato scritto e in un colloquio orale. L’elaborato scritto è volto a rilevare la capacità di analisi, sintesi e rielaborazione autonoma dei contenuti, nonché l’utilizzo appropriato del lessico disciplinare. Il colloquio orale, invece, consente di accertare il grado di comprensione, la chiarezza espositiva e la capacità di collegamento e approfondimento critico degli argomenti trattati. La valutazione complessiva è espressa in trentesimi.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il/la docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: prof. Domenico Raucci ([email protected]).

Testi di riferimento

Materiali specifici segnalati dal docente e/o concordati con lo studente e attinenti ai temi di approfondimento individuali.

Codice insegnamento 29457_849MR-2525_45548_487060

Approfondimento Di Statistical Learning 1° anno · 2° semestre · 3 CFU · STAT-01/A · 0 file

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi. Risultati di apprendimento attesi Conoscenza e capacità di comprensione…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi.

Risultati di apprendimento attesi
Conoscenza e capacità di comprensione

  • Conoscenza di concetti statistici per l’analisi multivariata lineare e non di dati complessi
  • Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione di articoli pubblicati
  • Capacità di utilizzare il software R e Matlab per l’analisi statistica

    Autonomia di giudizio
  • Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca

    Abilità comunicative
  • Imparare la terminologia e le tecniche statistiche di analisi multivariata e object data anaysis
    per comunicare o discutere correttamente i risultati dell'analisi di dati a struttura complessa

Programma

Il corso prevede la trattazione dei seguenti argomenti avanzati di Statistica Learning per il raggiungimento dei risultati di apprendimento attesi:

Tecniche di visualizzazione di dati complessi, analisi della dipendenza di dati complessi (dati non lineari), tecniche di regressione non parametrica, text mining, Object data analysis, Shape analysis.

È un corso avanzato di statistica che ha come prerequisiti gli insegnamenti di matematica, algebra lineare e inferenza, data mining

Incontri settimanali volti allo sviluppo di un progetto di analisi dei dati o approfondimento di uno o più argomenti avanzati di statistica

Modalità d'esame

L’esame si articola nella discussione di durata di 60 minuti del progetto redatto per l’analisi di
data sets (effettuata mediante l’uso del software R) selezionati col docente. La prova si concluderà con una valutazione in trentesimi.

Testi di riferimento

Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England

Codice insegnamento 29457_849MR-2525_47604_487053

Approfondimento Di Statistical Learning 1° anno · 2° semestre · 6 CFU · STAT-01/A · 0 file

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi. Risultati di apprendimento attesi Conoscenza e capacità di comprensione…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi.

Risultati di apprendimento attesi
Conoscenza e capacità di comprensione

  • Conoscenza di concetti statistici per l’analisi multivariata lineare e non di dati complessi
  • Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione di articoli pubblicati
  • Capacità di utilizzare il software R e Matlab per l’analisi statistica

    Autonomia di giudizio
  • Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca

    Abilità comunicative
  • Imparare la terminologia e le tecniche statistiche di analisi multivariata e object data anaysis
    per comunicare o discutere correttamente i risultati dell'analisi di dati a struttura complessa

Programma

Il corso prevede la trattazione dei seguenti argomenti avanzati di Statistica Learning per il raggiungimento dei risultati di apprendimento attesi:

Tecniche di visualizzazione di dati complessi, analisi della dipendenza di dati complessi (dati non lineari), tecniche di regressione non parametrica, text mining, Object data analysis, Shape analysis.

È un corso avanzato di statistica che ha come prerequisiti gli insegnamenti di matematica, algebra lineare e inferenza, data mining

Incontri settimanali volti allo sviluppo di un progetto di analisi dei dati o approfondimento di uno o più argomenti avanzati di statistica

Modalità d'esame

L’esame si articola nella discussione di durata di 60 minuti del progetto redatto per l’analisi di
data sets (effettuata mediante l’uso del software R) selezionati col docente. La prova si concluderà con una valutazione in trentesimi.

Testi di riferimento

Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England

Codice insegnamento 29457_849MR-2525_47602_487059

Approfondimento Di Statistical Learning 1° anno · 2° semestre · 9 CFU · STAT-01/A · 0 file

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi. Risultati di apprendimento attesi Conoscenza e capacità di comprensione…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi.

Risultati di apprendimento attesi
Conoscenza e capacità di comprensione

  • Conoscenza di concetti statistici per l’analisi multivariata lineare e non di dati complessi
  • Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione di articoli pubblicati
  • Capacità di utilizzare il software R e Matlab per l’analisi statistica

    Autonomia di giudizio
  • Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca

    Abilità comunicative
  • Imparare la terminologia e le tecniche statistiche di analisi multivariata e object data anaysis
    per comunicare o discutere correttamente i risultati dell'analisi di dati a struttura complessa

Programma

Il corso prevede la trattazione dei seguenti argomenti avanzati di Statistica Learning per il raggiungimento dei risultati di apprendimento attesi:

Tecniche di visualizzazione di dati complessi, analisi della dipendenza di dati complessi (dati non lineari), tecniche di regressione non parametrica, text mining, Object data analysis, Shape analysis.

È un corso avanzato di statistica che ha come prerequisiti gli insegnamenti di matematica, algebra lineare e inferenza, data mining

Incontri settimanali volti allo sviluppo di un progetto di analisi dei dati o approfondimento di uno o più argomenti avanzati di statistica

Modalità d'esame

L’esame si articola nella discussione di durata di 60 minuti del progetto redatto per l’analisi di
data sets (effettuata mediante l’uso del software R) selezionati col docente. La prova si concluderà con una valutazione in trentesimi.

Testi di riferimento

Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England

Codice insegnamento 29457_849MR-2525_47600_487058

Approfondimento Di Strategia Aziendale 1° anno · 1° semestre · 3 CFU · ECON-06/A · 0 file

Il Corso è volto a fornire allo studente gli strumenti di analisi e interpretazione delle scelte strategiche aziendali. In particolare, tale obiettivo è correlato ai seguenti risultati di apprendimento: Conoscenza e…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso è volto a fornire allo studente gli strumenti di analisi e interpretazione delle scelte strategiche aziendali. In particolare, tale obiettivo è correlato ai seguenti risultati di apprendimento: Conoscenza e comprensione – L’insegnamento intende fornire allo studente conoscenze approfondite riferite a specifici concetti della Strategia Aziendale. Dette conoscenze e competenze sono conseguite tramite lo sviluppo di un caso aziendale o approfondimento di un argomento di strategie e politiche aziendali. Capacità di applicare conoscenza e comprensione – L’insegnamento intende favorire lo sviluppo di una interpretazione strategica dei fenomeni aziendali. La capacità di applicare conoscenze e comprensione si manifesta tramite la riflessione critica degli studenti sui contenuti dei testi proposti o lo studio di casi aziendali.

Programma

Sviluppo di un caso aziendale o approfondimento di un argomento di strategie e politiche aziendali.

Per agevolare l’apprendimento dei contenuti del Corso è opportuno che tutti gli studenti abbiano sostenuto, in via preliminare, l'esame di Strategie e politiche Aziendali.

Sviluppo di un caso aziendale o approfondimento di un argomento di strategie e politiche aziendali.

Modalità d'esame

Conoscenza e comprensione – L’efficacia formativa dell’insegnamento è basata sulla esame di un caso aziendale o di un argomento specifico. La prova consisterà nell’analisi dell’argomento prescelto con l’obiettivo di verificare la capacità dello studente di prendere in esame aspetti più particolari e specifici. Capacità di applicare conoscenza e comprensione - Il docente verifica la capacità dello studente di applicare le conoscenze acquisite sui temi della strategia aziendale a casi aziendali concreti e ripresi anche dal contesto economico attuale.

Testi di riferimento

I materiali bibliografici saranno forniti dal docente.

Codice insegnamento 29457_849MR-2525_242038_500435

Approfondimento Sistemi Integrati Di Controllo 1° anno · 2° semestre · 3 CFU · ECON-06/A · 0 file

L’insegnamento si propone di approfondire lo studio di uno specifico strumento integrato di gestione delle informazioni aziendali, ovvero l’ERP di SAP e di analizzare in che modi l’AI impatta sui sistemi di accounting…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di approfondire lo studio di uno specifico strumento integrato di gestione delle informazioni aziendali, ovvero l’ERP di SAP e di analizzare in che modi l’AI impatta sui sistemi di accounting e sulle professioni contabili.

In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento:

Conoscenza e comprensione – L’insegnamento intende fornire allo studente conoscenze e competenze riferibili al SAP all’uso dell’AI per l’accounting e la consulenza. Dette conoscenze e competenze sono conseguite tramite lo studio individuale, guidato e autonomo.

Capacità di applicare conoscenza e comprensione – Lo studente è spinto ad utilizzare strumenti di interazione e collaborazione, anche a distanza (come, ad esempio, la piattaforma FAD), volti a favorire la capace di confrontarsi attivamente su tematiche inerenti al SAP e l’uso dell’AI nella consulenza e nell’accounting. La capacità di applicare conoscenze e comprensione si manifesta tramite la riflessione critica da parte degli studenti sui contenuti ricercati autonomamente dagli studenti nella letteratura scientifica e sul web; ed è favorita dallo studio del caso del sistema ERP di SAP.

Programma

L’insegnamento studia i seguenti temi:

  • Sistema ERP di SAP
  • ERP e AI
  • AI appicata alla consulenza aziendale

Lo studente deve possedere le conoscenze di base dell’economia aziendale, della ragioneria e del controllo di gestione.

Non sono previste propedeuticità.

Il corso prevede una lezione frontale in aula e uso della piattaforma FAD (https://fad.unich.it) per la condivisione di materiali didattici, lo scambio di e-mail e messaggi per condividere notizie e comunicazioni attinenti all’approfondimento e alla prova d’esame.

Modalità d'esame

Conoscenza e comprensione:
La verifica dell'efficacia formativa è affidata alla composizione da parte degli studenti di un report su un argomento concordato dal docente e attinente ai contenuti relativi all’approfondimento. La valutazione della prova è espressa in trentesimi. La verbalizzazione del voto avviene solo per quegli studenti che hanno conseguito una valutazione almeno sufficiente nella prova suddetta.
Capacità di applicare conoscenza e comprensione:
Durante il corso si verifica la capacità degli studenti di applicare le nozioni teoriche e apprese sul web attraverso la discussione critica di articoli scientifici o di testimonianze provenienti dal mondo delle aziende e della consulenza. ​​​​​​​

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci, email: [email protected].

Testi di riferimento

Articoli scientifici e altri materiali didattici integrativi disponibili sulla piattaforma FAD dedicata (https://fad.unich.it)

Codice insegnamento 39267_849MR2026_326084_639422

Cybersecurity 1° anno · 2° semestre · 9 CFU · INFO-01/A · 0 file

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento. Conoscenza e capacità di comprensione Il corso si propone di fornire le conoscenze di base relative alla sicurezza dei…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento.

Conoscenza e capacità di comprensione

Il corso si propone di fornire le conoscenze di base relative alla sicurezza dei sistemi operativi, delle reti, dei dati e dei programmi. Al termine del corso lo studente sarà in grado di comprendere i rischi di sicurezza derivanti dalle minacce interne ed esterne e di indentificare le tecniche e gli strumenti da utilizzare per aumentare la sicurezza informatica nelle imprese e migliorare la protezione dei sistemi operativi, delle reti, dei dati e dei programmi.

Capacità di applicare conoscenza e comprensione

Al termine del corso lo studente sarà in grado di riconoscere e classificare i rischi derivanti dalle minacce, esistenti o potenziali, alla sicurezza dei sistemi delle reti, dei dati e dei programmi.
Inoltre, sarà in grado di individuare le contromisure da mettere in atto per mitigare il rischio di sicurezza e gli strumenti necessari ad implementare tali contromisure.

Programma

Rischi di sicurezza. Minacce e contromisure.

Crittografia simmetrica ed asimmetrica.
Uso della crittografia per garantire proprietà di sicurezza (p.e., autenticazione, confidenzialità, integrità, non-repudiabilità).
Altri usi della crittografia (p.e blockchain).

Sicurezza dei sistemi operativi e di rete.

Sicurezza dei dati e dei programmi.

Lo studente deve possedere le conoscenze di base dell’informatica e della matematica.

Lezioni orali frontali e seminari. Presentazione di casi di studio. Esercitazioni pratiche in aula informatica.

Modalità d'esame

Conoscenza e capacità di comprensione

La verifica dell'apprendimento potrà essere effettuata secondo due modalità alternative.

La prima modalità prevede lo svolgimento di una o più prove scritte contenenti domande teoriche ed esercizi empirici.

Successivamente all'esito positivo delle prove scritte potrà essere sostenuta, a richiesta dello studente o del docente, una prova orale per verificare la conoscenza dei contenuti teorici e di base presentati a lezione.

Il voto finale sarà espresso in trentesimi e sarà basato sulla valutazione delle prove scritte e dell'eventuale prova orale.


La seconda modalità prevede che lo svolgimento di una o più prove scritte possa essere sostituito dallo svolgimento di un lavoro di approfondimento (o progettuale) svolto in maniera individuale o in piccoli gruppi.
Al termine di tale lavoro dovrà essere consegnato un elaborato scritto corredato dagli eventuali artefatti software realizzati durante il suo svolgimento.

Successivamente verrà sostenuta una prova orale per accertare il contributo individuale dello studente al lavoro di approfondimento (o progettuale) e per verificare la conoscenza dei contenuti teorici e di base presentati a lezione.

Il voto finale sarà espresso in trentesimi e sarà basato sulla valutazione delle prove scritte eventualmente sostenute, del lavoro di approfondimento (o progettuale), e della prova orale.


Capacità di applicare conoscenza e comprensione

Durante le prove d’esame e lo svolgimento dell’eventuale lavoro di approfondimento viene verificata la capacità degli studenti di applicare le conoscenze delle minacce di sicurezza e delle relative contromisure al fine di poter affrontare situazioni concrete.


Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci Email: [email protected]

Testi di riferimento

  • Appunti del corsoAltri testi di consultazione ed approfondimento- Crittografia pratica. Bruce Schneier, Niels Ferguson. Apogeo.- Introduction to computer security. Matt Bishop. Addison-Wesley- Sicurezza delle reti: Applicazioni e standard – 3/Ed. William Stallings. Pearson Education- Introduction to Cybersecurity. Robin Sharp. Springer Cham.

Codice insegnamento 29457_849MR-2525_42166_487027

Data Science Per L'Economia 1° anno · 2° semestre · 9 CFU · STAT-02/A · 0 file

L'insegnamento di Data Science per l'Economia vuole contribuire al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche ed aziendali. In…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento di Data Science per l'Economia vuole contribuire al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche ed aziendali. In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:

Conoscenza e capacità di comprensione

Il corso intende fornire le conoscenze metodologiche e applicative di base del data science. Inoltre, si vuole fornire utili strumenti per l’analisi statistica di alcune tipologie di dati economici e aziendali. Infine, grande attenzione sarà data al pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione

Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali.

Programma

1. Introduzione ad R. Analisi esplorativa con R.

2. Metodi statistici per l’analisi di dati economici:

2.1 Modello di regressione multipla con R.

2.2 Modello di regressione logistica con R.

2.3 Alberi di regressione con R.

2.4 Analisi in componenti principali con R.

2.5 Modello di regressione multiplo per dati territoriali con R.

Lo studente deve possedere le conoscenze della statistica di base.

Lezioni frontali. Casi studio ed esercizi su dati reali con R.

Modalità d'esame

Conoscenza e capacità di comprensione

La verifica dei risultati di apprendimento sarà effettuata mediante una prova scritta e una prova orale. La prova scritta riguarderà l’intero programma, con particolare attenzione all’utilizzo del software R. Essa potrà essere svolta anche durante il corso sotto forma di prove intermedie e consisterà in dieci domande.

La prova orale, facoltativa, consisterà in domande finalizzate ad approfondire gli argomenti trattati nel programma. Potrà essere richiesta sia dal docente sia dallo studente.

Gli studenti dovranno inoltre predisporre due elaborati di analisi statistica, realizzati mediante il software R e riferiti a casi di studio reali; i relativi dataset potranno essere reperiti da fonti disponibili online. Gli elaborati dovranno essere inviati al docente almeno una settimana prima della data dell’esame.

La valutazione finale, espressa in trentesimi, terrà conto dell’esito della prova scritta, dell’eventuale colloquio orale e della qualità degli elaborati realizzati con R.

Capacità di applicare conoscenza e comprensione

Attraverso le prove d’esame e la realizzazione degli elaborati, il docente verificherà la capacità degli studenti di applicare le conoscenze e gli strumenti della data science all’analisi di problemi concreti in ambito economico e aziendale. In particolare, sarà valutata la capacità di utilizzare metodi e modelli statistici per interpretare dati reali, formulare conclusioni appropriate e supportare i processi decisionali.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci (email: [email protected]).

Testi di riferimento

Appunti del corso.

James G, Witten D, Hastie T, Tibshirani R (2021). An Introduction to Statistical Learning with Applications in R. Springer.

Per ulteriori approfondimenti:

Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley

Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley

Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Codice insegnamento 29457_849MR-2525_246626_507423

Diritto Dell'Innovazione Economica 1° anno · 1° semestre · 6 CFU · GIUR-03/A · 0 file

​​​​​​​L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento: Conoscenza e capacità di comprensione. Il corso si propone di impartire le nozioni principali del diritto…

Scheda dell'insegnamento

Obiettivi formativi

​​​​​​​L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione.

Il corso si propone di impartire le nozioni principali del diritto dell’innovazione economica, con particolare riguardo al mercato tecnologico dei servizi finanziari.

Capacità di applicare conoscenza e comprensione.

Al termine del corso lo studente deve aver acquisito la conoscenza dei principali testi legislativi in materia ed essere in grado di farne applicazione in fattispecie concrete.

Programma

Il Corso è dedicato allo studio dei principali temi del diritto dell’innovazione economica, con una particolare attenzione ai profili riguardanti il mercato tecnologico dei servizi finanziari.

Lo studente deve possedere le conoscenze di base del Diritto privato e del Diritto dell'economia.

Lezioni frontali

Modalità d'esame

Conoscenza e capacità di comprensione.

L’esame consiste in una prova scritta preliminare e facoltativa ed un colloquio finale.

La prova scritta è programmata a metà Corso e consiste di un numero di domande a risposta aperta pari a 3 su argomenti trattati nella prima metà del Corso.

Il colloquio orale individuale consiste in domande volte ad approfondire i temi oggetto del programma. Per gli studenti che hanno sostenuto con valutazione positiva la prova scritta, il colloquio orale verte solo sulla seconda parte del programma.

La valutazione finale, espressa in trentesimi, tiene conto sia della prova scritta preliminare (eventualmente sostenuta) che del colloquio di esame.

Capacità di applicare conoscenza e comprensione.

Nelle prove d'esame lo studente deve dare dimostrazione di aver acquisito le principali nozioni e regole giuridiche della materia e di saperle utilizzare nella soluzione di problemi concreti.

​​​​​​​

Testi di riferimento

Aa.Vv., Diritto del Fintech, II ed., a cura di M. Cian e C. Sandei, Wolters Kluwer - Cedam, Milano, 2024 (limitatamente alle parti indicate nel programma)

Codice insegnamento 29457_849MR-2525_42204_499623

Economia Dell'Innovazione 1° anno · 1° semestre · 9 CFU · ECON-04/A · 0 file

Obiettivi del corso Il corso si propone di: fornire gli strumenti teorici di base necessari allo studio dell’economia e dell’innovazione nei settori innovativi; approfondire casi studio rilevanti nella letteratura…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi del corso

Il corso si propone di: fornire gli strumenti teorici di base necessari allo studio dell’economia e dell’innovazione nei settori innovativi; approfondire casi studio rilevanti nella letteratura economica, sia nell’ambito dell’economia dell’innovazione sia nelle strategie delle imprese innovative.

Risultati di apprendimento attesi

L’insegnamento completa la formazione dello studente fornendo nozioni e strumenti utili a comprendere il ruolo dell’innovazione in economia, sia da una prospettiva teorica sia empirica, nonché le modalità attraverso cui le imprese sfruttano le leve tecnologiche.

La formazione a vocazione specialistica del corso di studi sarà arricchita secondo i seguenti Descrittori di Dublino:

1. Conoscenza e capacità di comprensione: lo studente acquisirà conoscenze sui principi e metodi per interpretare la dinamica dell’innovazione nei settori avanzati. L’analisi sarà supportata da casi studio significativi utili a comprendere le trasformazioni in atto a livello di economie, settori e imprese.

2. Capacità di applicare conoscenza e comprensione: lo studente sarà in grado di applicare modelli teorici e strumenti analitici per leggere e interpretare le strategie delle imprese innovative, nonché per analizzare il ruolo delle tecnologie nei processi di sviluppo e crescita aziendale.

3. Autonomia di giudizio: al termine del corso, lo studente svilupperà la capacità di valutare criticamente le scelte strategiche delle imprese nei settori innovativi e di analizzare gli effetti delle innovazioni di prodotto e processo sulle dinamiche competitive dei mercati.

4. Abilità comunicative: lo studente sarà in grado di comunicare in modo chiaro ed efficace analisi relative ai mercati innovativi e digitali, integrando casi studio e contributi teorici. Saprà discutere le strategie di crescita delle imprese ad alta tecnologia e presentare valutazioni critiche sui fenomeni analizzati.

5. Capacità di apprendimento: al termine del corso, lo studente avrà sviluppato capacità di apprendimento autonomo che gli consentiranno di approfondire in modo continuo i temi dell’innovazione e delle dinamiche tecnologiche, interpretando con consapevolezza le opportunità e le sfide emergenti nei contesti competitivi.

Programma

Il corso si propone di fornire i principali strumenti concettuali attraverso i quali consentire agli studenti di capire il funzionamento dei settori innovativi e la dinamica competitiva sottostante. Tali settori sono caratterizzati dal ruolo decisivo giocato dall'innovazione tecnologica e di business, la cui comprensione aiuta a interpretare le strategie e le condotte poste in essere dalle nuove imprese, nonché i bisogni emergenti e le scelte di acquisto dei consumatori.

Nessun prerequisito

L’insegnamento è strutturato in ore di didattica frontale, discussione di casi studio ed esercitazioni su software. La didattica frontale si costituisce di lezioni teoriche e presentazione di articoli scientifici. Durante l’insegnamento è proposto agli studenti il coinvolgimento su progetti di casi studio da svolgersi in aula e in modo collettivo che permettano agli stessi di verificare e consolidare la comprensione degli argomenti trattati a lezione. La frequenza è facoltativa, consigliata, e la prova finale sarà uguale per frequentanti e non.

Modalità d'esame

L’apprendimento da parte degli studenti delle nozioni e degli strumenti trattati in aula sarà monitorato anche durante lo svolgimento del corso, attraverso la somministrazione di test scritti e la presentazione/discussione di casi studio. In sede di esame finale la verifica dell'apprendimento sarà svolta attraverso una prova scritta avente per oggetto la conoscenza dei testi di riferimento e l'analisi di casi pratici. Il punteggio della prova di esame è attribuito mediante un voto espresso in trentesimi. Durante la prova di esame, i test scritti e i progetti in aula, si verifica la capacità degli studenti di applicare le conoscenze acquisite al fine di poter interpretare e comprendere in maniera ampia e strutturata casi attuali.
Gli studenti e le studentesse con disabilità, disturbi specifici dell’apprendimento (DSA) o altri bisogni educativi speciali (BES) possono usufruire, in sede d’esame, di misure individualizzate e personalizzate, nel rispetto della normativa vigente e di quanto previsto dalla Carta dei Servizi di Ateneo, previo accordo con il docente. Per richiedere le misure compensative e dispensative è necessario rivolgersi al Servizio CON_TE_STO, seguendo la procedura indicata nella Carta dei Servizi, consultabile al seguente link: https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf. Si invitano gli studenti e le studentesse interessati a contattare il docente durante lo svolgimento del corso, o comunque con congruo anticipo rispetto alla data dell’appello, al fine di concordare le modalità di svolgimento dell’esame e l’eventuale adozione delle misure previste. Per ricevere informazioni e orientamento sui servizi offerti dall’Ateneo è inoltre possibile contattare il docente referente del Dipartimento di Economia, Prof. Domenico Raucci.

Testi di riferimento

  • Schilling, Gestione dell'innovazione, 2017, McGraw-Hill Editore.
  • Malerba, Economia dell'innovazione, 2014, Carocci Editore
  • Capitoli estratti da libri di testo, articoli scientifici selezionati e appunti del corso.

Codice insegnamento 29457_849MR-2525_16648_487022

Insegnamento A Scelta 1° anno · 9 CFU · 0 file
Politiche, Obiettivi E Vettori Di Sostenibilita’ 1° anno · 6 CFU · 0 file
Seminari Di Approfondimento Professionale,Testimonianze Aziendali,Visite Aziendali 1° anno · 3 CFU · 0 file
Sistemi Integrati Di Controllo 1° anno · 2° semestre · 6 CFU · ECON-06/A · 0 file

L’insegnamento contribuisce al raggiungimento degli obiettivi formativi del percorso Business e governance del Corso di laurea Magistrale in Business administration, volto ad approfondire i più recenti orientamenti verso…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento contribuisce al raggiungimento degli obiettivi formativi del percorso Business e governance del Corso di laurea Magistrale in Business administration, volto ad approfondire i più recenti orientamenti verso modelli di governance aziendale e sistemi gestionali attenti all’innovazione tecnologica e alla sostenibilità economica, ambientale e sociale delle attività aziendali.
In particolare, l’insegnamento intende perseguire i seguenti risultati di apprendimento:

  • conoscenza e capacità di comprensione: fornire le conoscenze utili alla comprensione del funzionamento dei sistemi di controllo interno
  • capacità di applicare conoscenza e comprensione: applicare le conoscenze acquisitie attraverso lo studio di casi aziendali
  • autonomia di giudizio: inquadrare e risolvere le problematiche legate alla progettazione e gestione dei sistemi di controllo aziendale
  • abilità comunicative: acquisire ed utilizzare la terminologia tecnico-professionale in ambito aziendale
  • capacità di apprendere: applicare i metodi e gli strumenti di apprendimento sviluppati per aggiornare e approfondire i contenuti studiati, anche in contesti professionali

Programma

L’insegnamento ha ad oggetto lo studio dei sistemi di controllo aziendali in una prospettiva integrata. Nello specifico, ampia attenzione è riservata ai sistemi informativi aziendali attraverso lo studio degli ERP e di taluni strumenti volti a favorire la digitalizzazione delle informazioni aziendali. Ulteriore spazio è dedicato al controllo interno e alle sue relazioni con i meccanismi di governance, di gestione dei rischi e di creazione del valore

È consigliato possedere le conoscenze di base dell’economia aziendale, della ragioneria e del controllo di gestione.
Non sono previste propedeuticità

Lezioni frontali e seminari, finalizzati ad acquisire ed approfondire le conoscenze relative al programma
Casi studio, volti a sviluppare competenze, capacità di giudizio e abilità comunicative
L’insegnamento si avvale, altresì, della piattaforma Moodle per interagire in modalità e-learning con gli studenti

Modalità d'esame

L'esame consiste in: 1) una prova scritta preliminare, valutata in trentesimi, volta ad accertare la comprensione dei contenuti dell’insegnamento; 2) un colloquio finale, valutato in trentesimi, volto ad approfondire la conoscenza di aspetti specifici relativi all'intero programma d'esame. La valutazione finale tiene conto sia della prova scritta che della prova orale.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci - [email protected]

Testi di riferimento

Il libro di testo sarà indicato in aula.
Eventuali materiali aggiuntivi saranno indicati a lezione e resi disponibili attraverso la piattaforma Moodle alla pagina web fad.unich.it

Codice insegnamento 29457_849MR-2525_6784_499624

Strategia Aziendale 1° anno · 1° semestre · 9 CFU · ECON-06/A · 0 file

Il Corso è volto a fornire allo studente gli strumenti di analisi e di interpretazione dei modelli di governo e gestione strategica delle imprese. In particolare, tale obiettivo è correlato ai seguenti risultati di…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso è volto a fornire allo studente gli strumenti di analisi e di interpretazione dei modelli di governo e gestione strategica delle imprese. In particolare, tale obiettivo è correlato ai seguenti risultati di apprendimento: Conoscenza e comprensione – L’insegnamento intende fornire allo studente conoscenze e competenze riferite ai concetti base e al linguaggio scientifico proprio della Strategia Aziendale. Dette conoscenze e competenze sono conseguite tramite la partecipazione a lezioni frontali e ai seminari organizzati durante il corso con testimonianze aziendali, nonché attraverso lo studio individuale, guidato e autonomo. Capacità di applicare conoscenza e comprensione – L’insegnamento intende favorire lo sviluppo di una interpretazione strategica dei fenomeni aziendali. Tale risultato si persegue attraverso un approccio didattico volto ad approfondire tematiche prestabilite, inerenti l’analisi e la gestione strategica delle imprese. La capacità di applicare conoscenze e comprensione si manifesta tramite la riflessione critica degli studenti sui contenuti dei testi proposti per lo studio individuale; è sollecitata dalle attività didattiche svolte in aula; è favorita dallo studio di casi aziendali illustrati dal docente e da imprenditori e professionisti, invitati ad intervenire durante seminari organizzati dal docente del corso.

Programma

Il corso di Strategie e politiche aziendali descrive ed approfondisce le principali problematiche correlate all’analisi e alla gestione strategica delle imprese. In particolare, vengono presi in esame: i concetti generali di strategia; l’analisi del posizionamento strategico e gli strumenti di analisi strategica; le problematiche di definizione ed attuazione delle strategie competitive e delle strategie corporate delle imprese; la gestione strategica; i modelli di business e le strategie innovative.

Per agevolare la frequenza e l’apprendimento dei contenuti del Corso è opportuno che tutti gli studenti abbiano sostenuto, in via preliminare, l'esame di Economia Aziendale.

Lezioni frontali Presentazione e discussione di casi aziendali

Modalità d'esame

Conoscenza e comprensione – L’efficacia formativa dell’insegnamento è verificata attraverso una preliminare prova scritta comune e un colloquio orale individuale. La prova scritta (che può essere svolta anche durante il Corso per step successive) consiste di un numero di domande pari al numero di CFU che lo studente deve acquisire riferite a temi generali e volte ad accertare la capacità dello studente di articolare in via sintetica i principali aspetti riferiti all'argomento preso a riferimento. Il colloquio orale individuale consiste in domande volte ad approfondire alcuni dei temi del programma (anche tra quelli ricompresi nella prova scritta) con la finalità di verificare la capacità dello studente di analizzare aspetti più particolari e specifici. La valutazione dell’esame è espressa in trentesimi e tiene conto sia della prova scritta preliminare (valutata in trentesimi), sia del successivo colloquio orale. Capacità di applicare conoscenza e comprensione - Durante il colloquio orale il docente verifica, inoltre, la capacità dello studente di applicare le conoscenze acquisite sui temi della strategia aziendale a casi aziendali concreti, richiamati durante le lezioni frontali e ripresi anche dal contesto economico attuale, analizzati durante gli interventi seminariali e approfonditi durante lo studio individuale.

Testi di riferimento

Grant R., L’analisi strategica per le decisioni aziendali, Il Mulino, 2020. • Ulteriori materiali bibliografici saranno indicati a lezione.

Codice insegnamento 29457_849MR-2525_240632_499622

Big Data Per L'Intelligenza Artificiale 2° anno · 6 CFU · INFO-01/A · 0 file

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento: Conoscenza e capacità di comprensione Il corso intende fornire le conoscenze metodologiche e applicative relative ai principali…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:
Conoscenza e capacità di comprensione
Il corso intende fornire le conoscenze metodologiche e applicative relative ai principali strumenti e metodi per l'analisi di insiemi di dati potenzialmente grandi.
Capacità di applicare conoscenza e comprensione
Al termine del corso di insegnamento, lo studente sarà in grado di analizzare dataset da web, da file e da database, anche di grandi dimensioni.

Programma

  • Introduzione al fenomeno dei Big Data
  • Metodologie per Big data
  • Data mining
  • Machine learning and Neural Networks

Lo studente deve possedere le conoscenze della statistica di base. È consigliata, anche se non richiesta, una conoscenza di base della programmazione.

Lezioni orali.

Modalità d'esame

Conoscenza e capacità di comprensione
La verifica dei risultati di apprendimento è effettuata tramite una o più prove scritte (più prove scritte nel caso di effettuazione di prove parziali) ed un colloquio orale (quest’ultimo è facoltativo e/o a discrezione del docente).
Nella prova scritta sono proposti sia esercizi che domande di teoria.
Il colloquio orale (facoltativo e/o a discrezione del docente) consiste in domande volte ad approfondire alcuni dei temi del programma (anche tra quelli ricompresi nella prova scritta) con la finalità di verificare la capacità dello studente di analizzare aspetti più particolari e specifici.
La valutazione finale, espressa in trentesimi, tiene conto sia della/e prova/e scritta/e che del colloquio orale.

Capacità di applicare conoscenza e comprensione
Durante le prove d’esame si verifica la capacità degli studenti di applicare le conoscenze fornite dal corso al fine di essere in grado di estrarre, manipolare e analizzare dati da web, da file e da database, anche di grandi dimensioni.

Testi di riferimento

Appunti del corso

Per ulteriori approfondimenti:

Leskovec, Jure, Anand Rajaraman, and Jeffrey David Ullman.

Mining of massive datasets.

Cambridge University Press, 2014.

Disponibile gratuitamente online: http://www.mmds.org/

Codice insegnamento 34039_849MR-2525_241432_499832

Data Science Per L'Economia Ii 2° anno · 6 CFU · STAT-02/A · 0 file

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento: Conoscenza e capacità di comprensione Il corso intende fornire avanzamenti metodologici ed applicativi di specifici metodi di…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire avanzamenti metodologici ed applicativi di specifici metodi di data science. In particolare, gli studenti analizzeranno alcune tipologie di dati economici e aziendali tramite specifiche tecniche statistiche. Si vuole, inoltre, spingere gli studenti a specializzarsi nell'uso del pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione

Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con sofisticati metodi statistici. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le relazioni economiche e/o aziendali.

Programma

1. Analisi di dati Network

2. Metodi Regressivi Avanzati

3. Cluster Analysis

4. Serie Storiche

5. Analisi Fattoriale e Modelli ad Equazioni Strutturali

6. Analisi delle Corrispondenze

7. Multidimensional Scaling

Lo studente deve possedere le conoscenze dei metodi di base di data science.

Lezioni orali. Esercitazioni pratiche con il software R.

Modalità d'esame

Conoscenza e comprensione – L’efficacia formativa dell’insegnamento è verificata attraverso una preliminare prova scritta comune e un colloquio orale individuale. La prova scritta può essere svolta anche durante il Corso per step successivi e consiste in domande che lo studente deve acquisire riferite a temi generali e volte ad accertare la capacità dello studente di articolare in via sintetica i principali aspetti riferiti all'argomento preso a riferimento. Il colloquio orale individuale consiste in domande volte ad approfondire alcuni dei temi del programma (anche tra quelli ricompresi nella prova scritta) con la finalità di verificare la capacità dello studente di analizzare aspetti più particolari e specifici. La valutazione dell’esame è espressa in trentesimi e tiene conto sia della prova scritta preliminare (valutata in trentesimi), sia del successivo colloquio orale. Capacità di applicare conoscenza e comprensione - Durante il colloquio orale il docente verifica, inoltre, la capacità dello studente di applicare le conoscenze acquisite sui temi richiamati durante le lezioni frontali e approfonditi durante lo studio individuale.

Testi di riferimento

Appunti del corso

James G, Witten D, Hastie T, Tibshirani R (2013). An Introduction to Statistical Learning

with Applications in R. Springer.

Per ulteriori approfondimenti:

Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley

Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley

Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Codice insegnamento 34038_849MR-2525_241426_499825

Digital Marketing 2° anno · 6 CFU · ECON-07/A · 0 file

L’insegnamento di Digital Marketing si propone di sviluppare le seguenti capacità: a) capacità di comprensione: nel corso delle lezioni, il riferimento ad aziende e brand reali permetterà agli studenti di consolidare…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento di Digital Marketing si propone di sviluppare le seguenti capacità: a) capacità di comprensione: nel corso delle lezioni, il riferimento ad aziende e brand reali permetterà agli studenti di consolidare la propria capacità di analizzare e comprendere i problemi che ricadono nel dominio del marketing digitale. b) capacità di utilizzare le conoscenze: questo insegnamento dedicherà particolare attenzione all’applicazione pratica dei principi teorici presentati attraverso le lezioni frontali. Ciò avverrà sia mediante riferimenti ad esempi reali che mediante dei casi di studio che gli studenti svilupperanno per conseguire parte del voto finale. c) capacità di trarre conclusioni (autonomia di giudizio): attraverso questo insegnamento gli studenti avranno modo di analizzare dei dati quantitativi, identificare eventuali relazioni di interdipendenza tra di essi, ed interpretarne il significato che essi possono avere ai fini delle decisioni di marketing digitale. d) abilità comunicative: questo insegnamento si propone di espandere le conoscenze relative alla terminologia comunemente nel campo del marketing digitale e, più in generale, delle discipline manageriali; l'insegnamento potrà, inoltre di rafforzare le abilità comunicative degli studenti, sia di tipo orale (mediante delle presentazioni di gruppo), che di tipo scritto (attraverso delle prove intermedie di tipo scritto). e) capacità di apprendimento: l'insegnamento si propone di rafforzare la capacità degli studenti di esaminare in maniera analitica problematiche riguardanti il marketing digitale, ricercare informazioni utili a meglio comprendere tali problematiche, e individuare possibili soluzioni.

Programma

L’insegnamento di Digital Marketing si propone di sviluppare le seguenti capacità: a) capacità di comprensione: nel corso delle lezioni, il riferimento ad aziende e brand reali permetterà agli studenti di consolidare la propria capacità di analizzare e comprendere i problemi che ricadono nel dominio del marketing digitale; b) capacità di utilizzare le conoscenze: questo insegnamento dedicherà particolare attenzione all’applicazione pratica dei principi teorici presentati attraverso le lezioni frontali. Ciò avverrà sia mediante riferimenti ad esempi reali che mediante dei casi di studio che gli studenti svilupperanno per conseguire parte del voto finale; c) capacità di trarre conclusioni (autonomia di giudizio): attraverso questo insegnamento gli studenti avranno modo di analizzare dei dati qualitativi e quantitativi, identificare eventuali relazioni di interdipendenza tra di essi, ed interpretare il significato che i dati acquisiscono nei processi decisionali di marketing digitale; d) abilità comunicative: questo insegnamento si propone di espandere le conoscenze relative alla terminologia comunemente impiegata nel campo del marketing digitale; l'insegnamento potrà, inoltre di rafforzare le abilità comunicative degli studenti, sia di tipo orale (mediante delle presentazioni di gruppo), che di tipo scritto (attraverso delle prove intermedie e finali di tipo scritto);e) capacità di apprendimento: l'insegnamento si propone di rafforzare la capacità degli studenti di esaminare in maniera analitica problematiche riguardanti il marketing digitale, ricercare informazioni utili a meglio comprendere tali problematiche, e individuare possibili soluzioni.

Pur non essendo previsti specifici prerequisiti, la capacità di leggere documenti in lingua inglese potrà agevolare il raggiungimento degli obiettivi formativi

Lezioni frontali erogate in Italiano; esercitazioni con software statistici; analisi di casi aziendali e articoli pubblicati in riviste scientifiche.

Modalità d'esame

La prova d’esame è di tipo scritto. Durante il corso è possibile svolgere dei casi di studio e delle prove parziali che concorrono alla formazione della valutazione finale. Le prove previste sono volte ad accertare:

a) il grado di conoscenza e di comprensione delle tematiche riconducibili al marketing digitale;

b) la capacità di applicare a casi reali le conoscenze acquisite e proporre suggerimenti manageriali basati su un’analisi e un’interpretazione di dati/informazioni disponibili.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.

Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.

Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci ([email protected])

Testi di riferimento

Derme, A. (2024), Marketing. La gestione del marketing mix nell'era dell'Intelligenza Artificiale, McGraw-Hill.

Powerpoint delle lezioni messi a disposizione dal docente sulla piattaforma fad.unich.it.

Codice insegnamento 34038_849MR-2525_238032_499826

Diritto Delle Nuove Tecnologie 2° anno · 6 CFU · GIUR-01/A · 0 file

Obiettivi formativi: Il corso è finalizzato a fornire allo studente gli strumenti per conoscere e risolvere i problemi giuridici posti dalla raccolta, dall’interconnessione e dall’utilizzo di grandi quantità di…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi:
Il corso è finalizzato a fornire allo studente gli strumenti per conoscere e
risolvere i problemi giuridici posti dalla raccolta, dall’interconnessione e
dall’utilizzo di grandi quantità di informazioni, con riguardo alla privacy e
sicurezza dei dati (personali e commerciali), alla natura giuridica e alla
titolarità dei dati, ai profili contrattuali e di responsabilità sulla rete
Internet.
Risultati di apprendimento attesi:

  • Padronanza del metodo e del linguaggio del Diritto privato;
  • Conoscenza e comprensione della normativa speciale di settore nel
    sistema italo-europeo delle fonti, della giurisprudenza nazionale ed
    europea, dei provvedimenti delle Authorities, dei codici di autodisciplina
    e, più in generale, delle tecniche di soft law che concorrono alla
    regolazione della rete Internet;
  • Capacità di inquadrare correttamente da un punto di vista giuridico
    specifici problemi concreti;
  • Capacità di argomentare la soluzione giuridica di questioni pratiche di
    normale complessità.

Programma

Il corso avrà principalmente ad oggetto la protezione dei dati personali
(con particolare riguardo ai big data), risultando preminenti i problemi
posti dalla adozione del regolamento 2016/679/UE, nonché manifestati
dall’inadeguatezza degli strumenti normativi esistenti alla crescente
complessità dei sistemi e rapidità dei flussi di informazioni. Si procederà,
altresì, allo studio degli obblighi informativi nel commercio elettronico e
nella contrattazione a distanza, con particolare attenzione alla contrattazione digitale; della conclusione del contratto per via
telematica, delle piattaforme digitali, dei contratti di fornitura di contenuti e servizi digitali, dei contratti di accesso alla rete Internet, degli illeciti civili in rete e allo studio delle relative responsabilità
civili.

Conoscenze di base di Diritto privato

L’insegnamento è strutturato in 48 ore di didattica frontale, costituite da
lezioni teoriche ed esercitazioni pratiche. È prevista l’organizzazione di
seminari facoltativi di approfondimento anche in lingua inglese.
La frequenza del corso è facoltativa e consigliata

Modalità d'esame

Prova finale orale, tesa a verificare la conoscenza degli istituti trattati;
un’adeguata capacità di esposizione e la necessaria padronanza del
metodo e del linguaggio del diritto privato; la capacità di inquadrare
correttamente da un punto di vista giuridico specifici problemi concreti e
di argomentare la soluzione giuridica di questioni pratiche di normale
complessità.
Possono essere previste prove parziali (orali o scritte), da svolgere in
aula, anche in forma collettiva, riservate agli studenti frequentanti, il cui
scopo è quello di verificare la comprensione delle tematiche trattate a
lezione e l'applicazione pratica delle argomenti studiati a livello teorico.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare la docente.

Testi di riferimento

Testi di riferimento
1. V. CUFFARO, R. D’ORAZIO, e V. RICCIUTO (a cura di), I dati personali
nel diritto europeo, Torino, 2018, per le seguenti parti:
A. PORTATA APPLICATIVA, DEFINIZIONI, SOGGETTI, PRINCIPI E
CONDIZIONI DI LICEITÀ DEL TRATTAMENTO
A1. A. NERVI, Il perimetro del Regolamento europeo: portata applicativa e
definizioni, p. 161-177;
A2. M. DELL’UTRI, Principi generali e condizioni di liceità del trattamento
dei dati personali, p. 179-247;
A3. D. FARACE, Il titolare e il responsabile del trattamento p. 731-774;
A4. F. BRAVO, “L’architettura” del trattamento e la sicurezza dei dati e
dei sistemi, p. 789-807;
B. DIRITTI DELL’INTERESSATO
B1. F. CAGGIA, Libertà ed espressione del consenso, p. 249-272
B2. F. CALISAI, I diritti dell’interessato, 327-351
B.3. F. DI CIOMMO, Diritto alla cancellazione, diritto di limitazione del
trattamento e diritto all’oblio p. 353-395
C. TUTELA GIURISDIZIONALE
C2. M. GAMBINI, Responsabilità e risarcimento nel trattamento dei dati
personali p. 1017-1091;
2. M. GAMBINI, La responsabilità civile telematica, in C. Perlingieri e L.
Ruggeri (a cura di), Internet e diritto civile, Napoli, 2015, p. 313-346;
3. M. GAMBINI, Gli illeciti telematici extracontrattuali dell'Internet service
provider, in R. Clarizia (a cura di), I contratti informatici, in Trattato dei
contratti, diretto da P. Rescigno ed E. Gabrielli, Torino, 2007, pp. 605-641
4. M. GAMBINI, Gli inadempimenti contrattuali dell'Internet service
provider, in R. Clarizia (a cura di), I contratti informatici, in Trattato dei
contratti, diretto da P. Rescigno ed E. Gabrielli, Torino, 2007, pp. 555-605.
5. C. SOLINAS, Responsabilità civile e piattaforme digitali. in C. Scognamiglio (a cura di), Enciclopedia del Diritto. "I Tematici". Responsabilità civile, Milano, 2024, pp. 964-986

Ad integrazione, si consiglia lo studio del materiale dottrinale e
giurisprudenziale oggetto di esame e approfondimento nel corso delle
lezioni (reperibile, per i non frequentanti, contattando la docente: [email protected].
Per la conoscenza della materia sono indispensabili la costante
consultazione della normativa interna ed europea di riferimento e
l'attento esame delle principali sentenze giurisprudenziali delle Corti
statali ed europee e delle prassi applicative di settore.

Codice insegnamento 34038_849MR-2525_42164_499222

Economia Dei Mercati Digitali 2° anno · 1° semestre · 9 CFU · ECON-04/A · 0 file

OBIETTIVI FORMATIVI L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI
L’insegnamento si inserisce negli obiettivi generali del corso di studio contribuendo a formare professionalità in grado di comprendere ed analizzare le dinamiche competitive proprie soprattutto dei mercati dell’economia digitale. In particolare, si forniranno gli strumenti logici ed analitici necessari a comprendere le relazioni competitive fra le imprese impegnate nei mercati digitali, le loro criticità, l’intervento pubblico finalizzato a garantire il corretto funzionamento dei mercati, le relative implicazioni in termini sistemici (efficienza, crescita). Particolare enfasi sarà posta sull'utilizzo di casi di studio come strumento per sollecitare l'applicazione in concreto delle conoscenze teoriche acquisite

RISULTATI DI APPRENDIMENTO ATTESI
1) Conoscenza e comprensione.
Al termine del corso gli studenti saranno in possesso degli strumenti conoscitivi per:

  • comprendere ed approfondire le basi teoriche ed empiriche necessarie allo studio delle dinamiche competitive dei mercati dell’economia digitale
  • discutere criticamente analisi di settore e di scenario
  • comprendere le principali problematiche concorrenziali e regolatorie tipiche dei mercati dell’economia digitale
  • comprendere le logiche di intervento delle autorità pubbliche

    2) Capacità di applicare conoscenza e comprensione.
    Al termine del corso gli studenti saranno in grado di:
  • analizzare e discutere criticamente casi di studio tratti dalle esperienze di tutela e promozione della concorrenza italiane ed europee
  • individuare/sviluppare collegamenti fra evoluzione degli scenari di mercato, condotte competitive d’impresa e rischi antitrust
  • valutare l’adozione e l’impatto di possibili scelte regolatorie relative ai mercati digitali
  • applicare le conoscenze acquisite a contesti e problemi reali, proponendo soluzioni appropriate e discutendone le implicazioni

    3) Abilità comunicative.
    Al termine del corso gli studenti avranno acquisito le seguenti abilità comunicative:
  • comprendere le relazioni tra linguaggio economico e manageriale nell’analisi di problemi relativi ai mercati dell’economia digitale
  • esporre e discutere analisi di settore/mercato con finalità strategiche
  • esporre e discutere problemi antitrust e di regolazione, interagire nella ricerca di soluzione in contesti multidisciplinari.

Programma

Durante il corso saranno illustrate e discusse le criticità che l'affermazione delle tecnologie digitali e dell'ICT hanno determinato per le condotte strategiche delle imprese e per il funzionamento ordinato ed efficiente dei mercati. In particolare, il corso è inteso a presentare agli studenti, anche attraverso l’analisi di casi di studio, le basi teoriche ed empiriche per l’analisi di settore nel campo della digital economy e per la formulazione delle strategie competitive delle imprese.

Nessuno.

Per la didattica ci si avvarrà di lezioni frontali, esercitazioni e casi di studio.
Le attività di didattica frontale avranno per oggetto argomenti teorici e saranno svolte dal docente, con la partecipazione occasionale di esperti invitati a presentare testimonianze sugli argomenti trattati
Le esercitazioni avranno per oggetto l’applicazione delle conoscenze acquisite attraverso la discussione di quesiti organizzati anche in forma di questionari ed esercizi. Esse avranno l’obiettivo di verificare il livello di comprensione degli argomenti trattati e di fornire agli studenti gli strumenti di autovalutazione necessari al miglioramento dei risultati dello studio
I casi di studio saranno affrontati con la modalità del lavoro di gruppo (gruppi costituiti da 5/6 studenti) e saranno finalizzati a sviluppare la capacità di applicazione delle conoscenze acquisite a contesti pratici e la capacità di comunicazione/presentazione dei risultati ottenuti
La frequenza è facoltativa, ma consigliata. Ai lavori di gruppo potranno partecipare solo studenti frequentanti.

Modalità d'esame

La verifica dell’apprendimento sarà svolta attraverso una prova scritta e una prova orale.
La prova scritta sarà composta da 10 domande a risposta chiusa e cinque domande a risposta aperta con spazio di risposta predefinito. Il testo della prova riporterà la distribuzione dei punti totali (30) su ciascuna delle domande, a seconda della loro rilevanza/complessità. Il punteggio finale della prova, espresso in trentesimi, sarà dato dalla somma dei punteggi parziali. La durata della prova sarà di 90 minuti.
La prova orale sarà composta da 3/5 domande volte a verificare la conoscenza del materiale di riferimento, oltre che la capacità di comprensione, l’autonomia di giudizio e le abilità comunicative. A questo fine sarà prestata particolare attenzione all’appropriatezza del linguaggio utilizzato, alla capacità di stabilire collegamenti fra argomenti diversi e alla capacità di interagire criticamente sui temi proposti dal docente.
La prova orale sarà valutata con un punteggio espresso in trentesimi.
Il risultato finale sarà dato dalla media aritmetica arrotondata all’intero superiore dei punteggi ottenuti nella prova scritta e nella prova orale
Nel caso di studenti frequentanti che abbiano partecipato ai lavori di gruppo svolti durante il corso, la verifica dell’apprendimento comprenderà anche la discussione del lavoro stesso. Il voto riportato andrà ad integrare il risultato finale ottenuto attraverso la media aritmetica del voto della prova scritta e di quello della prova orale.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: prof. Domenico Raucci ([email protected]).

Testi di riferimento

Carlton D.W., Perloff J.M., Organizzazione Industriale, McGraw-Hill: capp. 3, 4, 6, 7, 9, 10, 11, 13, 14

Viscusi W.K., Vernon J.M., Harrington J.E., Economics of Regulation and Antitrust, The MIT Press: capp: 9, 14

Bauer J.M., Latzer M., Handbook on the Economics of the Internet, Edward Elgar, ultima edizione: capp. 2, 10, 17, 18, 19, 20, 21, 23, 25

Durante le lezioni sarà inoltre fornito materiale di riferimento sui casi di studio oggetto di approfondimento.

Codice insegnamento 29457_849MR-2525_49090_499223

Esame Di Laurea 2° anno · 15 CFU · 0 file
Idoneita' Avanzata Di Lingua Inglese 2° anno · 6 CFU · ANGL-01/C · 0 file
Intelligenza Artificiale E Sistemi Complessi 2° anno · 6 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione L'insegnamento fornisce le basi concettuali e metodologiche dell'Intelligenza Artificiale e della teoria dei sistemi complessi, con particolare attenzione ai processi decisionali e…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione

L'insegnamento fornisce le basi concettuali e metodologiche dell'Intelligenza Artificiale e della teoria dei sistemi complessi, con particolare attenzione ai processi decisionali e all'interazione tra agenti.

La prima parte del corso introduce i principi fondamentali dell'Intelligenza Artificiale, illustrando il paradigma degli agenti intelligenti e le principali tecniche di ricerca utilizzate per la risoluzione automatica dei problemi.

La seconda parte affronta lo studio dei sistemi complessi, evidenziando come la struttura delle interazioni tra individui e organizzazioni influenzi la diffusione dell'informazione, il coordinamento sociale, i mercati e i processi decisionali collettivi.

Capacità di applicare conoscenza e comprensione

Al termine del corso lo studente sarà in grado di modellare problemi come processi di ricerca nello spazio degli stati, applicare algoritmi di ricerca, comprendere la struttura e la dinamica di alcuni sistemi complessi, analizzare fenomeni di diffusione dell'informazione, coordinamento tra agenti e comportamento collettivo.

Programma

Il corso è articolato in due parti strettamente integrate.

La prima parte introduce i fondamenti dell'Intelligenza Artificiale attraverso il paradigma degli agenti intelligenti e della razionalità computazionale. Verranno affrontati i problemi di ricerca nello spazio degli stati, le strategie di ricerca non informata e informata, l'uso delle euristiche e le principali tecniche per affrontare problemi complessi in ambienti dinamici e parzialmente osservabili.

La seconda parte è dedicata allo studio delle reti sociali, dei mercati e dei sistemi complessi in generale. Saranno introdotti i principali strumenti per l'analisi delle reti sociali e delle strutture connesse, evidenziando il ruolo dei legami sociali, dell'influenza, delle relazioni cooperative e conflittuali e delle interazioni strategiche tra agenti. Verranno inoltre studiati i meccanismi di diffusione dell'informazione, le dinamiche di cascata, i mercati di abbinamento (matching market), i meccanismi d'asta e il ruolo dell'informazione nei processi decisionali collettivi.

Particolare attenzione sarà dedicata ai fenomeni emergenti che derivano dall'interazione di molteplici agenti autonomi.

Non sono previsti specifici prerequisiti per la frequenza del corso e per il sostenimento dell'esame.

Tuttavia, una conoscenza di base della matematica discreta e dei principi fondamentali della programmazione e degli algoritmi può agevolare la comprensione di alcuni argomenti trattati durante l'insegnamento.

Lezioni ed esercitazioni in aula svolte utilizzando lavagna, videoproiettore e computer.

Modalità d'esame

Conoscenza e capacità di comprensione

L'esame consiste in una prova scritta obbligatoria e in una prova orale facoltativa su richiesta dello studente e/o a discrezione del docente.
La prova scritta verte sull'intero programma e può comprendere domande teoriche, esercizi applicativi e brevi discussioni di casi di studio.
Gli studenti che abbiano superato la prova scritta (cioè che abbiano conseguito una valutazione pari o superiore a 18/30 nella prova scritta) possono sostenere una prova orale facoltativa su richiesta dello studente. La prova orale può essere richiesta anche dal docente. Il colloquio orale verte sull'intero programma ed è finalizzato ad approfondire il livello di comprensione degli argomenti trattati e l'utilizzo appropriato del linguaggio scientifico della disciplina. La valutazione finale, espressa in trentesimi, terrà conto dell’esito della prova scritta e dell’eventuale colloquio orale.

Capacità di applicare conoscenza e comprensione

Attraverso le prove d’esame, il docente verificherà la comprensione dei concetti teorici fondamentali dell'Intelligenza Artificiale e dei Sistemi Complessi da parte dello studente, la capacità di analizzare e discutere modelli, algoritmi e fenomeni studiati durante il corso e la capacità di applicare le conoscenze acquisite alla soluzione di problemi riguardanti le tematiche affrontate durante il corso.

Testi di riferimento

  • Stuart Russell, Peter Norvig. Intelligenza Artificiale, Un approccio moderno. Quarta edizione. Pearson, 2021.
  • David Easley, Jon Kleinberg. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press, 2010. (Versione elettronica disponibile gratuitamente al seguente link: https://www.cs.cornell.edu/home/kleinber/networks-book/).

Codice insegnamento 34039_849MR-2525_241434_499834

Laboratorio Statistico Di Dati Economici 2° anno · 6 CFU · STAT-02/A · 0 file

L'insegnamento vuole parteciparel al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche e in ambito finanziario. In particolare, detti obiettivi…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento vuole parteciparel al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche e in ambito finanziario.

In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi: Conoscenza e capacità di comprensione Il corso intende fornire le conoscenze metodologiche e applicative di base di modelli statistici convenzionali e di machine learning. Inoltre, si vuole fornire utili strumenti per l’analisi statistica di alcune tipologie di dati utili alla previsione in ambito finanziario, con riferimento ai prodotti finanziari nonchè all'utilizzo di tali modelli per l'ottimizzazione dei modelli di gestione finanziari di business.

Infine, grande attenzione sarà data alle applicazioni in ambito economico finanziario in Python. Capacità di applicare conoscenza e comprensione

Al termine del corso lo studente anche con l’aiuto di casi di studi concreti svolti con Python. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche finanziarie ed economiche.

Programma

1. Elementi di Machine Learning

  • Regressione lineare
  • Analisi Esplorativa dei Dati (EDA – Exploratory Data Analysis)
  • Analisi Esplorativa Spaziale dei Dati (ESDA – Exploratory Spatial Data Analysis)
  • Regressione Ridge e Lasso
  • Alberi decisionali e alberi di regressione

Con applicazioni pratiche in Python [3 CFU]

2. Metodi Ensemble per serie temporali e previsioni locali

  • Random Forest
  • Gradient Boosting
  • SHAP (Shapley Additive Explanations) per l'interpretazione dei modelli

Applicazioni a:

  • prodotti finanziari
  • ottimizzazione della supply chain (catena di approvvigionamento)

Con applicazioni pratiche in Python [3 CFU]

3. Laboratorio di serie temporali per la previsione finanziaria

  • Dai modelli ARMA (AutoRegressive Moving Average) alle tecniche di Machine Learning

Con applicazioni pratiche in Python oppure Databricks (opzionale per gli studenti) [3 CFU]

Inferenza statistica.

Lezioni frontali. Casi studio ed esercizi su dati reali con Pyhthon.

Modalità d'esame

Conoscenza e capacità di comprensione La verifica dei risultati di apprendimento sarà effettuata tramite un esame scritto e orale. L’esame scritto riguarderà tutto il programma con particolare attenzione all'uso del software Python. Gli studenti, inoltre, dovranno preparare e discutere almeno due analisi statistiche riguardante casi di studio reali su dataset disponibili open source ovvero generati. Tali elaborati dovranno essere inviati al docente almeno tre giorni prima della data dell’esame.

Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi. Capacità di applicare conoscenza e comprensione Durante le prove d’esame e lo svolgimento della tesina si verifica la capacità degli studenti di applicare le conoscenze dei modelli di data science al fine di poter affrontare situazioni di analisi concrete.

Testi di riferimento

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor (2024). An Introduction to Statistical Learning: with Applications in Python. Springer

Codice insegnamento 34038_849MR-2525_241428_499828

Matematica Per Il Deep Learning 2° anno · 6 CFU · MATH-02/B · 0 file

Il corso è volto a fornire allo studente gli strumenti matematici di base per l’analisi, la comprensione e l’utilizzo critico dei principali modelli di deep learning. In particolare, tale obiettivo è correlato ai…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è volto a fornire allo studente gli strumenti matematici di base per l’analisi, la comprensione e l’utilizzo critico dei principali modelli di deep learning. In particolare, tale obiettivo è correlato ai seguenti risultati di apprendimento.

Conoscenza e comprensione – L’insegnamento intende fornire allo studente conoscenze e competenze riferite ai concetti fondamentali e al linguaggio matematico proprio del deep learning. Dette conoscenze e competenze riguardano in particolare l’algebra lineare, il calcolo differenziale, l’ottimizzazione, la probabilità e la statistica applicate ai modelli di apprendimento automatico. Lo studente dovrà comprendere la struttura matematica delle reti neurali, il significato delle funzioni di perdita, il ruolo del gradiente, il funzionamento della backpropagation e i principali meccanismi che influenzano l’apprendimento e la generalizzazione.

Capacità di applicare conoscenza e comprensione – L’insegnamento intende favorire lo sviluppo della capacità di applicare gli strumenti matematici acquisiti all’analisi di semplici modelli di deep learning. Tale risultato si persegue attraverso un approccio didattico volto ad affiancare alla trattazione teorica esempi, esercizi e discussione di modelli concreti. La capacità di applicare conoscenza e comprensione si manifesta nella capacità dello studente di descrivere matematicamente una rete neurale, interpretare una funzione di perdita, calcolare o discutere gradienti, comprendere i passaggi essenziali della backpropagation, analizzare il ruolo degli iperparametri e valutare criticamente fenomeni quali overfitting, regolarizzazione e generalizzazione.

Autonomia di giudizio – Il corso intende sviluppare nello studente la capacità di valutare criticamente le scelte modellistiche e algoritmiche alla base dei sistemi di deep learning, con particolare riferimento al ruolo dei dati, alla complessità del modello, alla stabilità dell’apprendimento e ai limiti delle soluzioni ottenute.

Abilità comunicative – Lo studente dovrà acquisire la capacità di esporre con linguaggio matematico appropriato i principali concetti del corso, collegando formule, algoritmi e interpretazioni geometriche o probabilistiche.

Capacità di apprendimento – Il corso intende fornire allo studente le basi per affrontare autonomamente testi avanzati, articoli scientifici e documentazione tecnica relativi al machine learning e al deep learning.

Programma

Il corso di Matematica per il Deep Learning descrive e approfondisce i principali strumenti matematici necessari per comprendere i moderni modelli di apprendimento automatico e, in particolare, le reti neurali profonde.

In particolare, vengono presi in esame: i concetti generali del deep learning come problema matematico di approssimazione e ottimizzazione; gli strumenti di algebra lineare per la rappresentazione di dati, parametri e trasformazioni; gli elementi di calcolo differenziale necessari per comprendere il ruolo del gradiente e della regola della catena; la formulazione matematica delle reti neurali feed-forward; le funzioni di perdita per problemi di regressione e classificazione; l’algoritmo di backpropagation; i principali metodi di ottimizzazione basati sul gradiente; gli elementi di probabilità e statistica utili per interpretare l’apprendimento; i concetti di generalizzazione, overfitting e regolarizzazione.

Il corso introduce inoltre alcune strutture matematiche ricorrenti nelle architetture profonde, quali convoluzioni, meccanismi di attenzione e rappresentazioni geometriche dei dati, con l’obiettivo di fornire allo studente una base rigorosa ma operativa per comprendere e utilizzare consapevolmente i modelli di deep learning.

Per agevolare la frequenza e l’apprendimento dei contenuti del corso è opportuno che gli studenti possiedano conoscenze di base di algebra lineare, analisi matematica e probabilità. In particolare, sono utili familiarità con vettori, matrici, derivate, gradienti, funzioni di più variabili, distribuzioni di probabilità e nozioni elementari di programmazione scientifica.

Non è richiesta una conoscenza preliminare approfondita del deep learning, che verrà introdotto durante il corso a partire dai suoi fondamenti matematici.

Lezioni frontali.

Esercitazioni.

Presentazione e discussione di esempi matematici e computazionali relativi a semplici modelli di deep learning.

Modalità d'esame

Conoscenza e comprensione – L’efficacia formativa dell’insegnamento è verificata attraverso una prova scritta e/o un colloquio orale individuale. La prova scritta consiste in esercizi e domande teoriche riferite ai principali argomenti del corso, con l’obiettivo di accertare la conoscenza degli strumenti matematici e la capacità dello studente di articolare in modo sintetico e corretto i concetti fondamentali.
Il colloquio orale individuale, quando previsto, consiste in domande volte ad approfondire alcuni dei temi del programma, anche tra quelli ricompresi nella prova scritta, con la finalità di verificare la capacità dello studente di analizzare aspetti più specifici e di collegare tra loro i diversi strumenti matematici utilizzati nel deep learning.
Capacità di applicare conoscenza e comprensione – Durante la prova d’esame il docente verifica inoltre la capacità dello studente di applicare le conoscenze acquisite all’analisi di semplici modelli di deep learning. In particolare, potranno essere richiesti esercizi o discussioni relativi alla rappresentazione matematica di una rete neurale, al calcolo di gradienti, all’applicazione della regola della catena, all’interpretazione di funzioni di perdita, al funzionamento della backpropagation, ai metodi di ottimizzazione e ai fenomeni di overfitting e regolarizzazione.
La valutazione dell’esame è espressa in trentesimi e tiene conto della correttezza matematica, della chiarezza espositiva, della capacità di applicare gli strumenti studiati e della capacità di collegare aspetti teorici, algoritmici e interpretativi.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento, Prof. Domenico Raucci..

Testi di riferimento

I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016.

M. P. Deisenroth, A. A. Faisal, C. S. Ong, Mathematics for Machine Learning, Cambridge University Press, 2020.

C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

Ulteriori materiali bibliografici, dispense, articoli scientifici e risorse software saranno indicati durante il corso.

Codice insegnamento 34039_849MR-2525_127860_499422

Politiche Per L'Economia Digitale 2° anno · 6 CFU · ECON-02/A · 0 file

Obiettivo generale dell’insegnamento. L’obiettivo generale del corso è fornire agli studenti strumenti economici e istituzionali per analizzare, disegnare e valutare politiche pubbliche per l’economia digitale e…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo generale dell’insegnamento.
L’obiettivo generale del corso è fornire agli studenti strumenti economici e istituzionali per analizzare, disegnare e valutare politiche pubbliche per l’economia digitale e l’intelligenza artificiale. L’insegnamento contribuisce agli obiettivi formativi della Laurea Magistrale in Economics and Business Analytics integrando analisi economica, business analytics, regolazione, innovazione e valutazione delle politiche, così da rafforzare la capacità degli studenti di interpretare e gestire i processi di digitalizzazione dell’attività economica e aziendale. In particolare, il corso collega le competenze economico-aziendali, statistiche, informatiche e giuridiche del percorso di studio all’analisi dei problemi di policy generati da dati, AI, piattaforme digitali, infrastrutture tecnologiche, trasformazione organizzativa e nuovi modelli di concorrenza.

Conoscenza e capacità di comprensione.
Al termine del corso gli studenti saranno in grado di comprendere i principali fallimenti di mercato, fallimenti sistemici e fallimenti istituzionali che giustificano l’intervento pubblico nell’economia digitale; distinguere gli strumenti di policy volti a promuovere innovazione, adozione tecnologica, concorrenza, interoperabilità, governance dei dati e capacità amministrativa; comprendere la ratio economica della regolazione europea dell’economia digitale e dell’AI; identificare il ruolo di proprietà intellettuale, open innovation, standard, finanziamento dell’innovazione, scala d’impresa e competenze digitali nella competitività delle imprese e dei sistemi economici.

Capacità di applicare conoscenza e comprensione.
Gli studenti saranno in grado di applicare i concetti economici acquisiti all’analisi di casi reali di policy digitale e di trasformazione tecnologica delle imprese; interpretare indicatori relativi a digitalizzazione, adozione dell’AI, produttività, occupazione, competenze digitali, concentrazione, digital divide e qualità dei servizi digitali; utilizzare evidenze quantitative e documenti istituzionali per formulare una diagnosi di policy; predisporre un breve policy memo; valutare trade-off tra innovazione, crescita, occupazione, concorrenza, apertura, sicurezza, tutela dei diritti e capacità amministrativa.

Autonomia di giudizio.
Il corso mira a sviluppare la capacità di valutare criticamente interventi di politica economica in contesti digitali complessi, distinguendo obiettivi dichiarati, incentivi generati, vincoli istituzionali, effetti attesi e possibili conseguenze non intenzionali. Tale capacità è funzionale al profilo del laureato in Economics and Business Analytics, chiamato a interpretare dati, tecnologie e trasformazioni organizzative non come fenomeni meramente tecnici, ma come elementi inseriti in specifici contesti economici, aziendali e istituzionali.

Abilità comunicative.
Gli studenti saranno in grado di utilizzare il lessico economico e istituzionale dell’economia digitale, presentare in forma scritta e orale un problema di policy, discutere evidenze empiriche e interagire con interlocutori economici, giuridici, manageriali e tecnici. L’insegnamento contribuisce quindi a sviluppare la capacità di tradurre analisi economiche e quantitative in argomentazioni comprensibili e rilevanti per decisioni pubbliche, strategie d’impresa e processi di innovazione.

Capacità di apprendimento.
Il corso intende sviluppare la capacità di aggiornare autonomamente le conoscenze su tecnologie digitali, AI, regolazione e politiche dell’innovazione attraverso la lettura di materiali scientifici, documenti istituzionali, report di policy e indicatori empirici. Gli studenti saranno inoltre incoraggiati a collegare l’evoluzione delle tecnologie digitali e dell’AI alle competenze maturate nel percorso di studi in economia digitale, business analytics e data science, così da continuare ad apprendere in contesti professionali caratterizzati da rapido cambiamento tecnologico e istituzionale.

Programma

Il corso analizza l’economia digitale come ambito specifico di intervento della politica economica, nel quale la crescente centralità dei dati, dell’intelligenza artificiale, delle infrastrutture digitali e degli asset intangibili modifica i processi di innovazione, le strategie delle imprese, le condizioni di concorrenza e le modalità di intervento pubblico. L’insegnamento adotta una prospettiva applicata e istituzionale: gli strumenti dell’economia dell’innovazione, dell’economia industriale, della regolazione e della business analytics sono utilizzati per comprendere in che modo le politiche pubbliche possano favorire l’adozione delle tecnologie digitali, sostenere la competitività delle imprese, preservare condizioni di apertura e contendibilità dei mercati, e affrontare i nuovi rischi connessi all’uso di dati e algoritmi.

Particolare attenzione è dedicata all’intelligenza artificiale, considerata non soltanto come tecnologia da regolare, ma anche come infrastruttura produttiva, fattore di trasformazione organizzativa, fonte di nuove economie di scala e di scopo, e strumento potenziale di miglioramento della capacità amministrativa. In questa prospettiva, il corso esamina i principali trade-off che caratterizzano le politiche per l’economia digitale: incentivi all’innovazione e diffusione della conoscenza; proprietà intellettuale e open innovation; apertura, standardizzazione e interoperabilità; concorrenza e scala d’impresa; finanziamento dell’innovazione e capacità di adozione da parte delle imprese; tutela dei diritti, gestione del rischio e promozione dell’innovazione.

La regolazione europea dell’economia digitale e dell’AI sarà discussa attraverso la sua ratio economica e i suoi effetti attesi, più che attraverso una descrizione strettamente normativa. Strumenti quali DMA, DSA, AI Act, Data Act, GDPR e Digital Decade saranno utilizzati come casi di policy per analizzare il rapporto tra regolazione, concorrenza, accesso ai dati, trasparenza algoritmica, accountability, interoperabilità ed enforcement. Il corso include inoltre l’uso di indicatori, documenti istituzionali e semplici evidenze empiriche per valutare problemi quali digitalizzazione delle imprese, adozione dell’AI, divari tecnologici, produttività, frammentazione del mercato europeo e impatto delle politiche pubbliche.

Sono richieste conoscenze di base di microeconomia e politica economica. Sono utili, ma non obbligatorie, conoscenze introduttive di economia industriale, economia dell'innovazione, statistica e analisi dei dati. Non sono previste propedeuticità formali.

Il corso prevede lezioni frontali interattive, discussione di casi studio, analisi guidata di documenti istituzionali, esercitazioni su indicatori e brevi attività di policy analysis. Alcune lezioni saranno dedicate alla discussione di problemi applicati riguardanti AI, interoperabilità, DMA, AI Act, finanziamento dell'innovazione, digitalizzazione delle PMI, competition policy e valutazione delle politiche. Gli studenti frequentanti potranno svolgere un lavoro individuale o di gruppo finalizzato alla preparazione di un breve policy memo.

Modalità d'esame

La verifica dell'apprendimento avverrà mediante una prova scritta, valutata in trentesimi, composta da domande aperte e/o brevi casi applicativi. La prova verificherà la conoscenza dei contenuti del corso, la capacità di applicare i concetti economici a problemi di policy digitale, l'autonomia di giudizio nella valutazione dei trade-off di intervento pubblico e la capacità di organizzare una risposta argomentata con linguaggio appropriato. Per gli studenti frequentanti, il docente potrà prevedere un policy memo individuale o di gruppo su un tema concordato, relativo a una politica per l'economia digitale o per l'AI. Il policy memo contribuisce alla valutazione finale, sostituendo una parte della prova scritta secondo modalità comunicate all'inizio del corso. Il docente potrà richiedere una prova orale integrativa nei casi in cui sia necessario approfondire la valutazione della preparazione, dell'autonomia di giudizio o delle abilità comunicative. La valutazione terrà conto dei seguenti criteri: conoscenza degli argomenti; capacità di collegare teoria, evidenza e istituzioni; capacità di applicazione a casi concreti; precisione terminologica; chiarezza espositiva; capacità di discutere criticamente costi, benefici e limiti delle diverse opzioni di policy.

Testi di riferimento

Il corso non adotta un manuale unico. La preparazione all'esame sarà basata su materiali forniti dal docente e resi disponibili sulla piattaforma FAD: slide, note didattiche, capitoli e articoli selezionati, documenti istituzionali, materiali regolatori, casi studio ed eventuali dati o indicatori utilizzati nelle esercitazioni. L'elenco puntuale dei materiali obbligatori e degli eventuali materiali di approfondimento sarà comunicato all'inizio del corso e potrà essere aggiornato durante le lezioni, in modo da riflettere l'evoluzione delle politiche per l'economia digitale e l'intelligenza artificiale.

Codice insegnamento 29457_849MR-2525_241226_499823

Statistical Learning 2° anno · 6 CFU · STAT-01/A · 0 file

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi. L’insegnamento si propone di fornire allo studente gli strumenti per…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi.
L’insegnamento si propone di fornire allo studente gli strumenti per estrarre informazioni rilevanti da grandi moli di dati, con particolare
attenzione all'apprendimento statistico (statistical learning) sia in contesto predittivo che non (apprendimento supervisionato e non).

RISULTATI DELL'APPRENDIMENTO ATTESI
L'insegnamento prevede di completare la formazione dello studente con nozioni e strumenti utili ad approfondire gli aspetti dell’analisi statistica multivariata per dati complessi. La formazione sarà quindi completata e arricchita dalle seguenti competenze:

Conoscenza e capacità di comprensione

  • Conoscenza di concetti statistici per l’analisi multivariata e relativa terminologia specializzata
  • Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione dei risultati derivanti da analisi di dati reali
  • Capacità di utilizzare il software R e MATLAB per l’analisi statistica di dati a struttura complessa

    Capacità di applicare conoscenza e comprensione
    Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare dati complessi (ad esempio, immagini, testi, dati spaziali e temporali, dati funzionali), anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di trattare "oggetti" non strutturati e comprendere le complesse strutture relazionali e correlazioni insite nei dati

    Autonomia di giudizio
  • Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca,
  • Selezione, preparazione ed elaborazione di dati a struttura complessa

    Abilità comunicative
  • Imparare la terminologia e le tecniche statistiche di analisi multivariata per comunicare o discutere correttamente i risultati dell'analisi dei dati

Programma

Il corso prevede la trattazione dei seguenti argomenti per il raggiungimento dei risultati di apprendimento attesi: introduzione all'apprendimento statistico, Tecniche di visualizzazione dei dati, Tecniche di regressione e classificazione, Apprendimento non
supervisionato (analisi delle componenti principali e metodi di raggruppamento, Procruste), Analisi di dati complessi (dati spaziali e social data mining) con R

Conoscenze di matematica generale, algebra lineare, matrici, statistica inferenziale

Lezione frontale ed esercitazioni in aula informatica con utilizzo del software R

Modalità d'esame

Conoscenza e capacità di comprensione
L’esame si articola in una prova orale volta a verificare la conoscenza della parte teorica degli argomenti trattati a lezione e in una discussione orale di un report redatto per l’analisi di
data sets (sceltti dallo studente) mediante l’uso di un software (R, Python o Matlab).
Nella determinazione del voto finale dell’esame, il peso della discussione del report è pari al 30%.

Capacità di applicare conoscenza e comprensione

Con la valutazione della presentazione di un report basato su casi di studio reali si verifica la capacità degli studenti di applicare le tecniche ed i modelli introdotti durante il corso, nonché la comprensione e la capacità di analisi critica degli argomenti trattati.

Testi di riferimento

  • Dispense del corso ed esercitazioni pratiche utili per gli studenti non frequentanti
  • Maindonald, Braun (2010) Data Analysis and Graphics Using R: An Example-Based Approach. 3rd edition, Cambridge University Press
  • James, Witten, Hastie, Tibshirani (2013) An Introduction to Statistical Learning (with Applications in R), Springer-Verlag
  • Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England
  • Luìs Torgo (2011) Data Mining with R. Learning with case studies. CRC Press

Codice insegnamento 34038_849MR-2525_42206_487074

Statistical Learning 2° anno · 6 CFU · STAT-01/A · 0 file

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi. L’insegnamento si propone di fornire allo studente gli strumenti per…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi.
L’insegnamento si propone di fornire allo studente gli strumenti per estrarre informazioni rilevanti da grandi moli di dati, con particolare
attenzione all'apprendimento statistico (statistical learning) sia in contesto predittivo che non (apprendimento supervisionato e non).

RISULTATI DELL'APPRENDIMENTO ATTESI
L'insegnamento prevede di completare la formazione dello studente con nozioni e strumenti utili ad approfondire gli aspetti dell’analisi statistica multivariata per dati complessi. La formazione sarà quindi completata e arricchita dalle seguenti competenze:

Conoscenza e capacità di comprensione

  • Conoscenza di concetti statistici per l’analisi multivariata e relativa terminologia specializzata
  • Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione dei risultati derivanti da analisi di dati reali
  • Capacità di utilizzare il software R e MATLAB per l’analisi statistica di dati a struttura complessa

    Capacità di applicare conoscenza e comprensione
    Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare dati complessi (ad esempio, immagini, testi, dati spaziali e temporali, dati funzionali), anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di trattare "oggetti" non strutturati e comprendere le complesse strutture relazionali e correlazioni insite nei dati

    Autonomia di giudizio
  • Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca,
  • Selezione, preparazione ed elaborazione di dati a struttura complessa

    Abilità comunicative
  • Imparare la terminologia e le tecniche statistiche di analisi multivariata per comunicare o discutere correttamente i risultati dell'analisi dei dati

Programma

Il corso prevede la trattazione dei seguenti argomenti per il raggiungimento dei risultati di apprendimento attesi: introduzione all'apprendimento statistico, Tecniche di visualizzazione dei dati, Tecniche di regressione e classificazione, Apprendimento non
supervisionato (analisi delle componenti principali e metodi di raggruppamento, Procruste), Analisi di dati complessi (dati spaziali e social data mining) con R

Conoscenze di matematica generale, algebra lineare, matrici, statistica inferenziale

Lezione frontale ed esercitazioni in aula informatica con utilizzo del software R

Modalità d'esame

Conoscenza e capacità di comprensione
L’esame si articola in una prova orale volta a verificare la conoscenza della parte teorica degli argomenti trattati a lezione e in una discussione orale di un report redatto per l’analisi di
data sets (sceltti dallo studente) mediante l’uso di un software (R, Python o Matlab).
Nella determinazione del voto finale dell’esame, il peso della discussione del report è pari al 30%.

Capacità di applicare conoscenza e comprensione

Con la valutazione della presentazione di un report basato su casi di studio reali si verifica la capacità degli studenti di applicare le tecniche ed i modelli introdotti durante il corso, nonché la comprensione e la capacità di analisi critica degli argomenti trattati.

Testi di riferimento

  • Dispense del corso ed esercitazioni pratiche utili per gli studenti non frequentanti
  • Maindonald, Braun (2010) Data Analysis and Graphics Using R: An Example-Based Approach. 3rd edition, Cambridge University Press
  • James, Witten, Hastie, Tibshirani (2013) An Introduction to Statistical Learning (with Applications in R), Springer-Verlag
  • Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England
  • Luìs Torgo (2011) Data Mining with R. Learning with case studies. CRC Press

Codice insegnamento 34039_849MR-2525_42206_511823

Tirocini Formativi E Di Apprendimento 2° anno · 6 CFU · 0 file
Ecosistemi Di Innovazione: Imprese, Università E Istruzione Per La Trasformazione Digitale 0 file
Ecosistemi Di Innovazione: Imprese, Università E Istruzioni Per La Trasformazione Digitale 0 file
Innovation Hackaton 2025 3 CFU · SECS-S/03 · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.